library(ggplot2)
library(qqplotr)
##
## Attaching package: 'qqplotr'
## The following objects are masked from 'package:ggplot2':
##
## stat_qq_line, StatQqLine
library(tidyr)
library(stats4)
library(psych)
##
## Attaching package: 'psych'
## The following objects are masked from 'package:ggplot2':
##
## %+%, alpha
library(onewaytests)
##
## Attaching package: 'onewaytests'
## The following object is masked from 'package:psych':
##
## describe
library(car)
## Loading required package: carData
##
## Attaching package: 'car'
## The following object is masked from 'package:psych':
##
## logit
library(nonpar)
caminhao <- read.csv2("~/caminhao.csv")
str(caminhao)
## 'data.frame': 36 obs. of 2 variables:
## $ Tempo: num 2.3 2.7 2.9 3 3.1 2.7 3.2 3.4 3.1 2 ...
## $ Tipo : chr "bau" "bau" "bau" "bau" ...
summary(caminhao)
## Tempo Tipo
## Min. :1.300 Length:36
## 1st Qu.:2.700 Class :character
## Median :2.950 Mode :character
## Mean :2.983
## 3rd Qu.:3.300
## Max. :4.500
Tipo_caminhao <- split(caminhao, caminhao$Tipo)
#Boxplot comparando os 2 tipos de camnhões
boxplot(caminhao$Tempo ~ caminhao$Tipo)
#Teste de Normalidade para bau
#H0: A distribuição é Normal
#Ha: A distribuição não é Normal
ggplot(mapping = aes(sample = Tipo_caminhao$bau$Tempo)) + stat_qq_point(size = 2, color = "red") + stat_qq_line(color = "green") + xlab ("x-axis") + ylab("y-axis")
shapiro.test(Tipo_caminhao$bau$Tempo)
##
## Shapiro-Wilk normality test
##
## data: Tipo_caminhao$bau$Tempo
## W = 0.93249, p-value = 0.1544
#Teste de Normalidade para bau
ggplot(mapping = aes(sample = Tipo_caminhao$lonado$Tempo)) + stat_qq_point(size = 2, color = "red") + stat_qq_line(color = "green") + xlab ("x-axis") + ylab("y-axis")
shapiro.test(Tipo_caminhao$lonado$Tempo)
##
## Shapiro-Wilk normality test
##
## data: Tipo_caminhao$lonado$Tempo
## W = 0.94466, p-value = 0.4446
#Teste para variancias, assumindo 2 distribuições Normais
#H0: Var(bau) = Var(lonado)
#Ha: Var(bau) <> Var(lonado)
var.test(caminhao$Tempo ~ caminhao$Tipo)
##
## F test to compare two variances
##
## data: caminhao$Tempo by caminhao$Tipo
## F = 0.14859, num df = 20, denom df = 14, p-value = 0.0001541
## alternative hypothesis: true ratio of variances is not equal to 1
## 95 percent confidence interval:
## 0.05225211 0.38677672
## sample estimates:
## ratio of variances
## 0.1485889
#Teste para médias, assumindo variancias diferentes
#H0: Media(bau) = Media(lonado)
#Ha: Media(bau) <> Media(lonado)
t.test(caminhao$Tempo ~ caminhao$Tipo, var.equal = FALSE)
##
## Welch Two Sample t-test
##
## data: caminhao$Tempo by caminhao$Tipo
## t = -1.4855, df = 16.995, p-value = 0.1557
## alternative hypothesis: true difference in means is not equal to 0
## 95 percent confidence interval:
## -0.8712957 0.1512957
## sample estimates:
## mean in group bau mean in group lonado
## 2.833333 3.193333
vinhos <- read.csv2("~/Base_Vinhos_2018.csv")
str(vinhos)
## 'data.frame': 100 obs. of 15 variables:
## $ id_vinho : int 1 2 3 4 5 6 7 8 9 10 ...
## $ fixedacidity : num 6.6 6.7 10.6 5.4 6.7 6.8 6.6 7.2 5.1 6.2 ...
## $ volatileacidity : num 0.24 0.34 0.31 0.18 0.3 0.5 0.61 0.66 0.26 0.22 ...
## $ citricacid : num 0.35 0.43 0.49 0.24 0.44 0.11 0 0.33 0.33 0.2 ...
## $ residualsugar : num 7.7 1.6 2.2 4.8 18.8 ...
## $ chlorides : num 0.031 0.041 0.063 0.041 0.057 0.075 0.069 0.068 0.027 0.035 ...
## $ freesulfurdioxide : int 36 29 18 30 65 16 4 34 46 58 ...
## $ totalsulfurdioxide: num 135 114 40 113 224 49 8 102 113 184 ...
## $ density : num 0.994 0.99 0.998 0.994 1 ...
## $ pH : num 3.19 3.23 3.14 3.42 3.11 3.36 3.33 3.27 3.35 3.11 ...
## $ sulphates : num 0.37 0.44 0.51 0.4 0.53 0.79 0.37 0.78 0.43 0.53 ...
## $ alcohol : num 10.5 12.6 9.8 9.4 9.1 9.5 10.4 12.8 11.4 9 ...
## $ quality : int 5 6 6 6 5 5 4 6 7 6 ...
## $ Vinho : chr "WHITE" "WHITE" "RED" "WHITE" ...
## $ avaliacao : chr "RUIM" "BOM" "BOM" "BOM" ...
summary(vinhos)
## id_vinho fixedacidity volatileacidity citricacid
## Min. : 1.00 Min. : 4.600 Min. :0.1200 Min. :0.0000
## 1st Qu.: 25.75 1st Qu.: 6.600 1st Qu.:0.2500 1st Qu.:0.2075
## Median : 50.50 Median : 7.050 Median :0.3550 Median :0.3050
## Mean : 50.50 Mean : 7.462 Mean :0.4061 Mean :0.2931
## 3rd Qu.: 75.25 3rd Qu.: 8.000 3rd Qu.:0.5625 3rd Qu.:0.3825
## Max. :100.00 Max. :14.300 Max. :0.7850 Max. :1.0000
## residualsugar chlorides freesulfurdioxide totalsulfurdioxide
## Min. : 1.100 Min. :0.01400 Min. : 3.00 Min. : 8.00
## 1st Qu.: 1.875 1st Qu.:0.04200 1st Qu.:13.75 1st Qu.: 37.75
## Median : 2.300 Median :0.05650 Median :20.00 Median : 91.50
## Mean : 4.403 Mean :0.06448 Mean :24.91 Mean : 90.61
## 3rd Qu.: 5.525 3rd Qu.:0.07575 3rd Qu.:34.00 3rd Qu.:134.00
## Max. :20.800 Max. :0.41400 Max. :65.00 Max. :224.00
## density pH sulphates alcohol
## Min. :0.9895 Min. :2.860 Min. :0.2800 Min. : 8.40
## 1st Qu.:0.9934 1st Qu.:3.140 1st Qu.:0.4575 1st Qu.: 9.50
## Median :0.9956 Median :3.260 Median :0.5500 Median :10.30
## Mean :0.9952 Mean :3.267 Mean :0.5720 Mean :10.47
## 3rd Qu.:0.9974 3rd Qu.:3.370 3rd Qu.:0.6625 3rd Qu.:11.30
## Max. :1.0022 Max. :4.010 Max. :1.3300 Max. :13.20
## quality Vinho avaliacao
## Min. :4.00 Length:100 Length:100
## 1st Qu.:5.00 Class :character Class :character
## Median :6.00 Mode :character Mode :character
## Mean :5.75
## 3rd Qu.:6.00
## Max. :8.00
boxplot(vinhos$pH ~ vinhos$Vinho)
Cor_vinhos <- split(vinhos, vinhos$Vinho)
#Teste de Normalidade para pH Brancos
#H0: A distribuição é Normal
#Ha: A distribuição não é Normal
ggplot(mapping = aes(sample = Cor_vinhos$WHITE$pH)) + stat_qq_point(size = 2, color = "red") + stat_qq_line(color = "green") + xlab ("x-axis") + ylab("y-axis")
shapiro.test(Cor_vinhos$WHITE$pH)
##
## Shapiro-Wilk normality test
##
## data: Cor_vinhos$WHITE$pH
## W = 0.94685, p-value = 0.02537
#Teste de Normalidade para pH Tintos
#H0: A distribuição é Normal
#Ha: A distribuição não é Normal
ggplot(mapping = aes(sample = Cor_vinhos$RED$pH)) + stat_qq_point(size = 2, color = "red") + stat_qq_line(color = "green") + xlab ("x-axis") + ylab("y-axis")
shapiro.test(Cor_vinhos$RED$pH)
##
## Shapiro-Wilk normality test
##
## data: Cor_vinhos$RED$pH
## W = 0.87985, p-value = 0.0001108
#Teste de hipótese para Variância - Teste de Levene - Distribuições não Normais
#H0: Var(pH Brancos) = Var(pH Tintos)
#Ha: Var(pH Brancos) <> Var(pH Tintos)
var(Cor_vinhos$RED$pH)
## [1] 0.03639302
var(Cor_vinhos$WHITE$pH)
## [1] 0.0208949
leveneTest(vinhos$pH, vinhos$Vinho)
## Warning in leveneTest.default(vinhos$pH, vinhos$Vinho): vinhos$Vinho coerced to
## factor.
## Levene's Test for Homogeneity of Variance (center = median)
## Df F value Pr(>F)
## group 1 0.2654 0.6076
## 98
#Intervalo de Confiança para Variância
ICVariancia <- function(a, b){
n<-length(a)
s2<-var(a)
ic.sigma2<-(n-1)* s2/qchisq(c(1-((1-b)/2), (1-b)/2), n-1)
ic.sigma2
}
ICVariancia(Cor_vinhos$RED$pH, 0.95)
## [1] 0.02539443 0.05651284
ICVariancia(Cor_vinhos$WHITE$pH, 0.95)
## [1] 0.01458010 0.03244661
#Teste de hipótese para Variância - Teste de Cochrans - Distribuições não Normais
#H0: Var(pH Brancos) = Var(pH Tintos)
#Ha: Var(pH Brancos) <> Var(pH Tintos)
EmColunas <- cbind(Cor_vinhos$RED$pH, Cor_vinhos$WHITE$pH)
cochrans.q(EmColunas)
##
## Cochran's Q Test
##
## H0: There is no difference in the effectiveness of treatments.
## HA: There is a difference in the effectiveness of treatments.
##
## Q = -0.0208329430278958
##
## Degrees of Freedom = 1
##
## Significance Level = 0.05
## The p-value is 1
##
##
#Teste de hipótese para Média, assumindo variancias iguais
#H0: Media(pH Brancos) = Media(pH Tintos)
#Ha: Media(pH Brancos) <> Media(pH Tintos)
t.test(vinhos$pH ~ vinhos$Vinho, var.equal = TRUE)
##
## Two Sample t-test
##
## data: vinhos$pH by vinhos$Vinho
## t = 3.2852, df = 98, p-value = 0.001415
## alternative hypothesis: true difference in means is not equal to 0
## 95 percent confidence interval:
## 0.04402766 0.17837234
## sample estimates:
## mean in group RED mean in group WHITE
## 3.3222 3.2110
boxplot(vinhos$alcohol ~ vinhos$Vinho)
#Teste de Normalidade para alcool Brancos
#H0: A distribuição é Normal
#Ha: A distribuição não é Normal
ggplot(mapping = aes(sample = Cor_vinhos$WHITE$alcohol)) + stat_qq_point(size = 2, color = "red") + stat_qq_line(color = "green") + xlab ("x-axis") + ylab("y-axis")
shapiro.test(Cor_vinhos$WHITE$alcohol)
##
## Shapiro-Wilk normality test
##
## data: Cor_vinhos$WHITE$alcohol
## W = 0.96534, p-value = 0.1487
#Teste de Normalidade para alcool Tintos
#H0: A distribuição é Normal
#Ha: A distribuição não é Normal
ggplot(mapping = aes(sample = Cor_vinhos$RED$alcohol)) + stat_qq_point(size = 2, color = "red") + stat_qq_line(color = "green") + xlab ("x-axis") + ylab("y-axis")
shapiro.test(Cor_vinhos$RED$alcohol)
##
## Shapiro-Wilk normality test
##
## data: Cor_vinhos$RED$alcohol
## W = 0.89663, p-value = 0.0003725
#Teste de hipótese para Variância - Teste de Levene - Distribuições não Normais
#H0: Var(pH Brancos) = Var(pH Tintos)
#Ha: Var(pH Brancos) <> Var(pH Tintos)
var(Cor_vinhos$RED$alcohol)
## [1] 1.400771
var(Cor_vinhos$WHITE$alcohol)
## [1] 1.284858
leveneTest(vinhos$alcohol, vinhos$Vinho)
## Warning in leveneTest.default(vinhos$alcohol, vinhos$Vinho): vinhos$Vinho
## coerced to factor.
## Levene's Test for Homogeneity of Variance (center = median)
## Df F value Pr(>F)
## group 1 0.1461 0.7031
## 98
#Intervalo de Confiança para Variância
ICVariancia <- function(a, b){
n<-length(a)
s2<-var(a)
ic.sigma2<-(n-1)* s2/qchisq(c(1-((1-b)/2), (1-b)/2), n-1)
ic.sigma2
}
ICVariancia(Cor_vinhos$RED$alcohol, 0.95)
## [1] 0.9774344 2.1751856
ICVariancia(Cor_vinhos$WHITE$alcohol, 0.95)
## [1] 0.8965521 1.9951899
#Teste de hipótese para Variância - Teste de Cochrans - Distribuições não Normais
#H0: Var(pH Brancos) = Var(pH Tintos)
#Ha: Var(pH Brancos) <> Var(pH Tintos)
EmColunas <- cbind(Cor_vinhos$RED$alcohol, Cor_vinhos$WHITE$alcohol)
cochrans.q(EmColunas)
##
## Cochran's Q Test
##
## H0: There is no difference in the effectiveness of treatments.
## HA: There is a difference in the effectiveness of treatments.
##
## Q = -0.00612063085318956
##
## Degrees of Freedom = 1
##
## Significance Level = 0.05
## The p-value is 1
##
##
#Teste de hipótese para Média
#H0: Media(alcool Brancos) = Media(alcool Tintos)
#Ha: Media(alcool Brancos) <> Media(alcool Tintos)
t.test(vinhos$alcohol ~ vinhos$Vinho, var.equal = TRUE)
##
## Two Sample t-test
##
## data: vinhos$alcohol by vinhos$Vinho
## t = -0.95357, df = 98, p-value = 0.3426
## alternative hypothesis: true difference in means is not equal to 0
## 95 percent confidence interval:
## -0.6809197 0.2389197
## sample estimates:
## mean in group RED mean in group WHITE
## 10.362 10.583
Ipem <- read.csv2("~/ipem.csv")
boxplot(Ipem$Massa ~ Ipem$Marca)
Marca_Ipem <- split(Ipem, Ipem$Marca)
#Teste de Normalidade
#H0: A distribuição é Normal
#Ha: A distribuição não é Normal
Papel_Normal = function(a)
{
ggplot(mapping = aes(sample = a)) + stat_qq_point(size = 2, color = "red") + stat_qq_line(color = "green") + xlab ("x-axis") + ylab("y-axis")
}
Teste_Normal = function(a)
{
shapiro.test(a)
}
Papel_Normal (Marca_Ipem$A$Massa)
Teste_Normal(Marca_Ipem$A$Massa)
##
## Shapiro-Wilk normality test
##
## data: a
## W = 0.91294, p-value = 0.456
Papel_Normal (Marca_Ipem$B$Massa)
Teste_Normal(Marca_Ipem$B$Massa)
##
## Shapiro-Wilk normality test
##
## data: a
## W = 0.91629, p-value = 0.4791
Papel_Normal (Marca_Ipem$C$Massa)
Teste_Normal(Marca_Ipem$C$Massa)
##
## Shapiro-Wilk normality test
##
## data: a
## W = 0.95553, p-value = 0.7847
Papel_Normal (Marca_Ipem$D$Massa)
Teste_Normal(Marca_Ipem$D$Massa)
##
## Shapiro-Wilk normality test
##
## data: a
## W = 0.91597, p-value = 0.4768
Papel_Normal (Marca_Ipem$E$Massa)
Teste_Normal(Marca_Ipem$E$Massa)
##
## Shapiro-Wilk normality test
##
## data: a
## W = 0.84612, p-value = 0.1464
#Teste de hipótese para Variância - Teste de Levene
#H0: Var todas iguais
#Ha: Var pelo menos uma diferente
leveneTest(Ipem$Massa, Ipem$Marca)
## Warning in leveneTest.default(Ipem$Massa, Ipem$Marca): Ipem$Marca coerced to
## factor.
## Levene's Test for Homogeneity of Variance (center = median)
## Df F value Pr(>F)
## group 4 0.8804 0.4898
## 25
#Teste de hipótese para Variância - Teste de Cochrans
#H0: Var todas iguais
#Ha: Var pelo menos uma diferente
EmColunas <- cbind(Marca_Ipem$A$Massa, Marca_Ipem$B$Massa, Marca_Ipem$C$Massa, Marca_Ipem$D$Massa, Marca_Ipem$E$Massa)
cochrans.q(EmColunas)
##
## Cochran's Q Test
##
## H0: There is no difference in the effectiveness of treatments.
## HA: There is a difference in the effectiveness of treatments.
##
## Q = -0.131213815681054
##
## Degrees of Freedom = 4
##
## Significance Level = 0.05
## The p-value is 1
##
##
#Teste de Igualde de medias
#H0: medias todas iguais
#Ha: pelo menos uma media é diferentes das outras
#Variancias iguas
Anova <- lm (Ipem$Massa ~ Ipem$Marca)
summary(Anova)
##
## Call:
## lm(formula = Ipem$Massa ~ Ipem$Marca)
##
## Residuals:
## Min 1Q Median 3Q Max
## -2.0833 -0.5333 0.1250 0.4000 1.3167
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) 13.68333 0.39020 35.068 < 2e-16 ***
## Ipem$MarcaB 2.26667 0.55183 4.108 0.000376 ***
## Ipem$MarcaC -0.01667 0.55183 -0.030 0.976145
## Ipem$MarcaD 1.05000 0.55183 1.903 0.068648 .
## Ipem$MarcaE -0.60000 0.55183 -1.087 0.287276
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Residual standard error: 0.9558 on 25 degrees of freedom
## Multiple R-squared: 0.5747, Adjusted R-squared: 0.5066
## F-statistic: 8.444 on 4 and 25 DF, p-value: 0.0001871
#Variancias diferentes
#welch.test(Massa ~ Marca, data = Ipem)
#Análise de regressão simples
#Nota do vinho (quality) com relação ao % de alcool
plot(vinhos$quality ~ vinhos$alcohol)
Regressao <- lm(vinhos$quality ~ vinhos$alcohol)
summary(Regressao)
##
## Call:
## lm(formula = vinhos$quality ~ vinhos$alcohol)
##
## Residuals:
## Min 1Q Median 3Q Max
## -2.1746 -0.5767 0.1163 0.3829 2.5041
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) 4.05770 0.71103 5.707 1.23e-07 ***
## vinhos$alcohol 0.16159 0.06749 2.394 0.0185 *
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Residual standard error: 0.7778 on 98 degrees of freedom
## Multiple R-squared: 0.05527, Adjusted R-squared: 0.04563
## F-statistic: 5.733 on 1 and 98 DF, p-value: 0.01855
plot(Regressao)
#Análise de regressão simples
#Nota do vinho (quality) com relação ao pH
plot(vinhos$quality ~ vinhos$pH)
Regressao <- lm(vinhos$quality ~ vinhos$pH)
summary(Regressao)
##
## Call:
## lm(formula = vinhos$quality ~ vinhos$pH)
##
## Residuals:
## Min 1Q Median 3Q Max
## -1.7069 -0.6771 0.1292 0.3552 2.2236
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) 8.9943 1.4461 6.220 1.23e-08 ***
## vinhos$pH -0.9932 0.4421 -2.247 0.0269 *
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Residual standard error: 0.7803 on 98 degrees of freedom
## Multiple R-squared: 0.04899, Adjusted R-squared: 0.03928
## F-statistic: 5.048 on 1 and 98 DF, p-value: 0.0269
plot(Regressao)
#Análise de regressão simples
#Nota do vinho (quality) com relação ao residuo de acucar
plot(vinhos$quality ~ vinhos$residualsugar)
Regressao <- lm(vinhos$quality ~ vinhos$residualsugar)
summary(Regressao)
##
## Call:
## lm(formula = vinhos$quality ~ vinhos$residualsugar)
##
## Residuals:
## Min 1Q Median 3Q Max
## -1.7186 -0.7162 0.2514 0.2858 2.2855
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) 5.68999 0.10971 51.865 <2e-16 ***
## vinhos$residualsugar 0.01363 0.01711 0.797 0.428
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Residual standard error: 0.7976 on 98 degrees of freedom
## Multiple R-squared: 0.006434, Adjusted R-squared: -0.003704
## F-statistic: 0.6346 on 1 and 98 DF, p-value: 0.4276
plot(Regressao)
#Análise de regressão multipla
#Nota do vinho (quality) com relação ao alcool + pH + residuo de acucar
Regressao <- lm(vinhos$quality ~ vinhos$alcohol + vinhos$pH + vinhos$residualsugar)
summary(Regressao)
##
## Call:
## lm(formula = vinhos$quality ~ vinhos$alcohol + vinhos$pH + vinhos$residualsugar)
##
## Residuals:
## Min 1Q Median 3Q Max
## -1.60875 -0.47708 0.01458 0.46236 2.27406
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) 7.32326 1.51631 4.830 5.17e-06 ***
## vinhos$alcohol 0.22052 0.06818 3.234 0.00167 **
## vinhos$pH -1.21188 0.44156 -2.745 0.00723 **
## vinhos$residualsugar 0.01728 0.01685 1.025 0.30774
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Residual standard error: 0.7483 on 96 degrees of freedom
## Multiple R-squared: 0.1434, Adjusted R-squared: 0.1166
## F-statistic: 5.355 on 3 and 96 DF, p-value: 0.001877
plot(Regressao)
